Ансамблово федеративно обучение
Ансамбловото федеративно обучение съчетава разпределението на федеративното обучение, което запазва поверителността, с ансамблова агрегация: всеки участващ клиент обучава собствен локален модел върху частни данни, а сървърът агрегира предсказанията — или параметрите на модела — от всички клиенти, използвайки ансамблови стратегии като гласуване, осредняване или подреждане (stacking), вместо само просто осредняване на параметрите.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 54, 1273–1282. link ↗
- Chen, Y., Qin, X., Wang, J., Yu, C., & Gao, W. (2021). FedHealth: A federated transfer learning framework for wearable healthcare. IEEE Intelligent Systems, 35(4), 83–93. DOI: 10.1109/MIS.2020.2988604 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Ensemble Federated Learning (Federated Ensemble Aggregation). ScholarGate. https://scholargate.app/bg/machine-learning/ensemble-federated-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bagging (Bootstrap Aggregating)Машинно обучение↔ compare
- БустингМашинно обучение↔ compare
- Федеративно ученеПоверителност↔ compare
- СтакингМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
- Гласуваща ансамблова схемаМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →